CN115496169B - 基于5g和人工智能的不安全行为识别系统 - Google Patents
基于5g和人工智能的不安全行为识别系统 Download PDFInfo
- Publication number
- CN115496169B CN115496169B CN202211439690.1A CN202211439690A CN115496169B CN 115496169 B CN115496169 B CN 115496169B CN 202211439690 A CN202211439690 A CN 202211439690A CN 115496169 B CN115496169 B CN 115496169B
- Authority
- CN
- China
- Prior art keywords
- triggering
- value
- unsafe behavior
- proportion
- worker
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于5G和人工智能的不安全行为识别系统,该系统通过异常数据采集模块采集每次触发异常的异常数据;通过异常数据处理模块在每次触发异常时,获取阻值比例、最高幅值和角速度比例;通过异常序列获取模块获取风险发展因子,进而获取多次触发异常时组成的四个序列;通过工人匹配模块对所有工人进行匹配;通过不安全行为识别模块获取工人的不安全行为指数;当工人触发异常时,若对应的不安全行为指数大于预设阈值,识别为不安全行为。本发明能够及时识别工人工作过程中个人防护装备的规范佩戴情况,保证工人的安全。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于5G和人工智能的不安全行为识别系统。
背景技术
在建筑施工场景中,常见的个人防护装备(Personal Protective Equipment,PPE)包括安全帽、反光衣、防护服等,也包括小型护具。
目前,通过图像识别工人是否穿戴大面积PPE的方法已经逐渐成熟,例如安全帽检测、反光衣、防护服检测,但仅停留在有无检测,或者是穿戴动作规范的检测,往往是通过与已穿戴PPE的标准图像进行比对来判断是否穿戴,或者是与包括标准穿戴动作的视频对比穿戴动作是否规范。在工人工作过程中,如果出现PPE脱落或者移位的情况,也是不安全行为,会给工人带来安全问题,但是目前的技术中对该类情况暂无识别方法。同时实际应用中需要快速检测施工人员防护装备的规范佩戴情况,如果将视频图像上传到远程服务器,会降低算法检测的实时性,不能达到很好的识别效果。
发明内容
为了解决工人工作过程中个人防护装备的规范佩戴情况无法及时识别的问题,本发明提供一种基于5G和人工智能的不安全行为识别系统,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于5G和人工智能的不安全行为识别系统,该系统包括以下模块:
异常数据采集模块,用于设定加速度阈值,当个人防护装备的角加速度大于所述加速度阈值时,触发异常,开始实时采集此次触发异常的异常数据,直至下次触发异常为止;所述异常数据包括个人防护装备的阻值、触发异常时段的音频频谱以及角速度;
异常数据处理模块,用于在每次触发异常时,计算所有阻值中的最大值和最小值的比值作为阻值比例;获取音频频谱中的最高幅值;计算所有角速度中的最大值和最小值的比值作为角速度比例;
异常序列获取模块,用于多次触发异常时,由每相邻两次触发异常对应的阻值比例的差异组成第一序列、最高幅值的差异组成第二序列、角速度比例的差异组成第三序列;当每次触发异常时,根据到当次触发为止的最新N次触发异常的阻值比例和角速度比例获取风险发展因子;多次触发异常的风险发展因子组成第四序列;N为正整数;
工人匹配模块,用于根据个人防护装备的四个序列获取两个个人防护装备之间的触发距离;基于两个工人佩戴的所有种类的个人防护装备对应的触发距离获取整体距离,依据每两个工人之间的整体距离对所有工人进行匹配;
不安全行为识别模块,用于以相互匹配的两个工人对应的最新的风险发展因子中的最大值作为这两个工人的不安全行为指数;当工人触发异常时,若对应的不安全行为指数大于预设阈值,识别为不安全行为。
优选的,所述异常序列获取模块中的所述差异为差值的绝对值。
优选的,所述异常序列获取模块还包括:
风险发展因子获取单元,用于获取到当次触发为止的最新N次触发异常的阻值比例中的最大阻值比例,以及到当次触发为止的最新N次触发异常的角速度比例中的最大角速度比例;计算最大阻值比例与当前阻值比例的差值绝对值作为第一差值,计算最大角速度比例与当前角速度比例的差值绝对值作为第二差值,以第一差值、第二差值以及1的和的倒数作为指数函数的指数,以预设的容错系数作为指数函数的底数,得到指数函数结果作为所述风险发展因子。
优选的,所述工人匹配模块包括:
触发距离获取单元,用于对于两个不同的个人防护装备,获取每两个对应序列之间的明氏距离,以四个明氏距离的和作为两个个人防护装备之间的触发距离。
优选的,所述工人匹配模块还包括:
整体距离获取单元,用于获取两个工人的同种个人防护装备之间的触发距离,以两个工人佩戴的所有种类的个人防护装备对应的触发距离平均值作为整体距离。
优选的,所述工人匹配模块还包括:
匹配单元,用于基于所述整体距离利用KM匹配算法将所有工人进行匹配。
优选的,所述不安全行为识别模块包括:
识别网络构建单元,用于由每个工人的所有个人穿戴设备的最新阻值比例和最新角速度比例组成对应的全身行为描述子,基于多个全身行为描述子和对应的不安全行为指数构建识别网络。
优选的,所述不安全行为识别模块还包括:
不安全行为指数获取单元,用于当工人触发异常时,利用所述识别网络基于对应的全身行为描述子识别出对应的不安全行为指数。
本发明实施例至少具有如下有益效果:
通过采集触发异常时个人防护装备的阻值和音频频谱作为异常数据进行后续处理,以异常数据表征个人防护装备的形变情况;获取相邻两次触发异常时异常数据的差异组成对应的序列,能够排除正常工作下的误触情况;然后基于当次触发异常之前N次的异常数据获取风险发展因子,通过对连续触发异常的异常数据进行对照分析获取异常数据的风险;利用两个工人的整体距离对所有工人进行匹配,使全身佩戴个人防护装备情况相似的工人匹配为一对,以两者中最大的风险发展因子作为两者的不安全行为指数,佩戴情况相似的工人共享最大的不安全行为指数,以更为严重的数据作为不安全行为指数,能够在较早的不安全行为下识别到工人的不安全行为,及时识别工人工作过程中个人防护装备的规范佩戴情况,保证工人的安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种基于5G和人工智能的不安全行为识别系统的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于5G和人工智能的不安全行为识别系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于5G和人工智能的不安全行为识别系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于5G和人工智能的不安全行为识别系统的系统框图,该系统包括以下模块:
异常数据采集模块100、异常数据处理模块200、异常序列获取模块300、工人匹配模块400以及不安全行为识别模块500。
异常数据采集模块100用于设定加速度阈值,当个人防护装备的角加速度大于加速度阈值时,触发异常,开始实时采集此次触发异常的异常数据,直至下次触发异常为止;异常数据包括个人防护装备的阻值、触发异常时段的音频频谱以及角速度。
首先设定一个加速度阈值,加速度有线加速度和角加速度之分,由于护具主要在关节处,对于十分明显的触发或动作,个人防护装备(Personal Protective Equipment,PPE)的角加速度更能降低误检率,对人体动作行为的约束更为可靠。因此使用角加速度来区分PPE产生的各种行为。
具体的加速度阈值的设定依据工种、佩戴的缓冲材质等现场因素来确定,而且PPE不是完全与关节联动,而是与衣物相对滑动的,因此具体数值的确定需要以实际情况中的常规动作不经常触发为准,其中常规动作例如行走,蹲下等。
当个人防护装备的角加速度大于加速度阈值时,触发异常,开始实时采集此次触发异常的异常数据,直至下次触发异常为止。
异常数据包括个人防护装备的阻值、触发异常时段的音频频谱以及角速度。
PPE的应变电阻阻值能够体现该PPE的形变情况,主要面向的PPE是塑料护具等具有一定刚性的PPE。柔性电阻在弯折的情况下电阻值会增加,因此可以得到PPE局部结构的弯折情况。任何PPE在设计之初不存在有过大的弯折,因此基准电阻变化较大时,意味着PPE可能受到巨大损伤。
为了采集阻值的变化,PPE以1Hz的速率不断记录自此次触发异常后的阻值,直至下次触发异常为止。
PPE安装有固定好的MEMS麦克风,采集每次触发异常前后0.5s的音频频谱。统计短时间的音频的频谱的方法是公知的,不再赘述。
不安全行为主要是人在慌乱、受到撞击或其它伤害时的四肢动作,为了采集动作的前后变化,以50Hz的速率不断记录自触发异常后的各方向角速度的最大值作为实时的角速度。
将上述采集的异常数据利用5G NB-IoT回传至服务器或者云端,云端或者服务器接收到异常数据后,对异常数据进行后续处理,异常数据处理模块200、异常序列获取模块300、工人匹配模块400以及不安全行为识别模块500均存在于服务器或者云端上。
异常数据处理模块200用于在每次触发异常时,计算所有阻值中的最大值和最小值的比值作为阻值比例;获取音频频谱中的最高幅值;计算所有角加速度中的最大值和最小值的比值作为角速度比例。
在每次触发异常时,获取当前触发异常与下次触发异常之间的所有阻值中的最大值和最小值,计算两者之间的相对比例作为阻值比例,其中为当前触发异常与下次触发异常之间的所有阻值中的最大值,为当前触发异常与下次触发异常之间的所有阻值中的最小值。
对每次触发异常时采集的音频频谱进行傅里叶变换,统计得到最高幅值,对于每次触发异常采集的频谱,将最高幅值记为K。
当触发异常时,根据触发异常前的0.5s和后0.5s的角速度记录计算最大值和最小值之间的相对比例作为角速度比例。
异常序列获取模块300用于多次触发异常时,由每相邻两次触发异常对应的阻值比例的差异组成第一序列、最高幅值的差异组成第二序列、角速度比例的差异组成第三序列;当每次触发异常时,根据到当次触发为止的最新N次触发异常的阻值比例和角速度比例获取风险发展因子;多次触发异常的风险发展因子组成第四序列;N为正整数。
异常序列获取模块300包括第一序列获取单元、第二序列获取单元、第三序列获取单元以及风险发展因子获取单元。
第一序列获取单元,用于计算每相邻两次触发异常对应的阻值比例的差值绝对值作为第一差异,多次触发异常时的所有第一差异组成第一序列。以第t个阻值比例和第t+1个阻值比例为例,计算对应的第一差异,多次触发异常时的所有第一差异组成第一序列,其中n表示第一差异的数量,即共有n+1次触发异常。
第二序列获取单元,用于计算每相邻两次触发异常对应的最高幅值的差值绝对值作为第二差异,多次触发异常时的所有第二差异组成第二序列。同样以第t个最高幅值和第t+1个最高幅值为例,计算对应的第二差异,多次触发异常时的所有第二差异组成第二序列。
第三序列获取单元,用于计算每相邻两次触发异常对应的角速度比例的差值绝对值作为第三差异,多次触发异常时的所有第三差异组成第三序列。同样以第t个角速度比例和第t+1个角速度比例为例,计算对应的第三差异,多次触发异常时的所有第三差异组成第三序列。
第一序列表示计算第t+1次触发异常时的形变程度与前一次触发异常时的形变程度的差值的绝对值,以区分前一次触发异常和此次触发异常的形变情况。同样的,第二序列代表音频的变化情况,第三序列代表角速度的变化情况,因PPE在使用过程中是不断出现触发异常行为的,其每次触发异常时的异常因子是不断发生变化的。可以体现此次触发异常和上次触发异常的情况是否类似,若上一次和此次类似,则有可能是劳动动作带来的误触情况。
风险发展因子获取单元,用于获取到当次触发为止的最新N次触发异常的阻值比例中的最大阻值比例,以及到当次触发为止的最新N次触发异常的角速度比例中的最大角速度比例;计算最大阻值比例与当前阻值比例的差值绝对值作为第一差值,计算最大角速度比例与当前角速度比例的差值绝对值作为第二差值,以第一差值、第二差值以及1的和的倒数作为指数函数的指数,以预设的容错系数作为指数函数的底数,得到指数函数结果作为风险发展因子。
根据具体情况确定进行前后比较的最大跨度N,在本发明实施例中N取5,即每次触发异常时,与该次的前5次触发异常进行比照,确定风险发展因子。
随着触发次数的增加,根据接连触发的记录可以分析得到物理形变和角速度是否依然较大,由此可以计算其风险发展因子。以第t次触发异常为例,计算对应的风险发展因子:
其中,表示在第t-1次触发异常到t-N次触发异常对应的阻值比例中选取最大值;表示在第t-1次触发异常到t-N次触发异常对应的角速度比例中选取最大值;表示预设的容错系数。
容错系数越大越不敏感,取值范围为(0,1),作为一个示例,本发明实施例中取值为0.5。
当PPE触发异常时,风险发展因子会根据前N次触发异常的情况发生变化。第一差值表示前N次触发异常的最大阻值比例与本次触发异常的阻值比例的差异,差异越大说明第t次触发异常的阻值变化相对于前N次触发异常变化较大,相应的风险发展因子越大;同样的,第二差值表示前N次触发异常的最大角速度比例与本次触发异常的角速度比例的差异,差异越大说明第t次触发异常的角速度变化相对于前N次触发异常变化较大,相应的风险发展因子越大。
多次触发异常的风险发展因子组成第四序列,由于计算风险发展因子时需要以前5次触发异常的数据作为基础,所以第四序列Z从第6次触发异常时才有对应数值。
工人匹配模块400用于根据个人防护装备的四个序列获取两个个人防护装备之间的触发距离;基于两个工人佩戴的所有种类的个人防护装备对应的触发距离获取整体距离,依据每两个工人之间的整体距离对所有工人进行匹配。
触发距离获取单元,用于对于两个不同的个人防护装备,获取每两个对应序列之间的明氏距离,以四个明氏距离的和作为两个个人防护装备之间的触发距离。
对于两个不同的个人防护装备,获取对应的两个第一序列之间的明氏距离,对应的两个第二序列之间的明氏距离,对应的两个第三序列之间的明氏距离,对应的两个第四序列之间的明氏距离,以四个明氏距离的和作为两个个人防护装备之间的触发距离。明氏距离的计算公式为公知技术,现有的计算公式为:,其中X和Y为两个计算明氏距离的序列,表示序列X中第i个元素的数值,表示序列Y中第i个元素的数值,m表示序列长度,p为常数。p的数值不同得到的明氏距离代表的含义不同,在本发明实施例中p的取值为2。
触发距离越大时,两个个人防护装备的四个序列区别越大,触发情况越不同;触发距离越小时,两个个人防护装备的触发情况越相似。
整体距离获取单元,用于获取两个工人的同种个人防护装备之间的触发距离,以两个工人佩戴的所有种类的个人防护装备对应的触发距离的平均值作为整体距离。
假设工人佩戴的PPE为四个,分别是手肘和膝盖,两个手肘上佩戴的护具为同一类型,两个膝盖上佩戴的护具为同一类型,因此对同种类型的PPE进行计算,但不区分左右。
计算时,无论一个工人的PPE触发异常的次数为多少,每个PPE都按照最新一次触发异常来计算,以A工人和B工人为例:
首先计算两个工人不同手肘处的多个PPE的触发距离:A工人的左手肘PPE和B工人的左手肘PPE之间的触发距离、A工人的右手肘PPE和B工人的左手肘PPE之间的触发距离、A工人的右手肘PPE和B工人的右手肘PPE之间的触发距离和A工人的左手肘PPE和B工人的右手肘PPE之间的触发距离,选取四个触发距离中的最大值作为AB两人手肘处PPE的触发距离,即。
同样的,计算两个工人不同膝盖处的多个PPE的触发距离:A工人的左膝盖PPE和B工人的左膝盖PPE之间的触发距离、A工人的右膝盖PPE和B工人的左膝盖PPE之间的触发距离、A工人的右膝盖PPE和B工人的右膝盖PPE之间的触发距离和A工人的左膝盖PPE和B工人的右膝盖PPE之间的触发距离,选取四个触发距离中的最大值作为AB两人膝盖处PPE的触发距离:。
对于AB两人,计算手肘和膝盖处的PPE的触发距离的平均值作为AB两人的整体距离:。
匹配单元,用于基于整体距离利用KM匹配算法将所有工人进行匹配。
将所有工人按照PPE整体距离进行配对,此时配对的佩戴PPE人员的PPE触发行为的全身情况是相似的,若出现剩余的一个人员未配对则视为孤立情况,视为不安全行为,不纳入计算。记录数量巨大,因此能够保证匹配的尽量是有先例的情况。
不安全行为识别模块500用于以相互匹配的两个工人对应的最新的风险发展因子中的最大值作为这两个工人的不安全行为指数;当工人触发异常时,若对应的不安全行为指数大于预设阈值,识别为不安全行为。
以相互匹配的两个工人对应的最新的风险发展因子中的最大值作为这两个工人的不安全行为指数。
匹配的配对结果中的全身的风险发展因子越大,越不安全,即便配对结果中有一个人的风险发展因子是较小的,但因为触发异常的情况相似,依然视其有风险。
识别网络构建单元,用于由每个工人的所有个人穿戴设备的最新阻值比例和最新角速度比例组成对应的全身行为描述子,基于多个全身行为描述子和对应的不安全行为指数构建识别网络。
对于任意一个工人,将全身行为描述子记为,其中,表示该工人身上佩戴的第一个PPE的最新一次触发异常的阻值比例,表示该工人身上佩戴的第一个PPE的最新一次触发异常的角速度比例;表示该工人身上佩戴的第二个PPE的最新一次触发异常的阻值比例,表示该工人身上佩戴的第二个PPE的最新一次触发异常的角速度比例;表示该工人身上佩戴的第M个PPE的最新一次触发异常的阻值比例,表示该工人身上佩戴的第M个PPE的最新一次触发异常的角速度比例;M表示该工人身上佩戴的所有PPE的数量。
基于多个已获取的全身行为描述子和对应的不安全行为指数构建识别网络,以多个全身行为描述子作为训练集,对应的不安全行为指数作为标签,进行识别网络的训练。进行网络训练时需要的数据是大量的,数据量越大,训练得到的识别网络的识别结果越准确。
本发明实施例中的识别网络以FCN网络为基础进行训练。
不安全行为指数获取单元,用于当工人触发异常时,利用识别网络基于对应的全身行为描述子识别出对应的不安全行为指数。
识别网络训练完成之后,不需要再重复上述计算不安全行为指数的过程来计算不安全行为指数,只需要获取当前触发异常时的全身行为描述子,输入训练完成的识别网络中,输出为不安全行为指数,能够在较低功耗下迅速得到不安全行为指数。
设定不安全行为指数的预设阈值,当工人触发异常时,若对应的不安全行为指数大于预设阈值,说明此时工人的PPE穿戴不够规范,可能是工作中使PPE移位,识别为不安全行为。
作为一个示例,本发明实施例中不安全行为指数的预设阈值为0.799。
本发明实施例包括以下模块:异常数据采集模块100、异常数据处理模块200、异常序列获取模块300、工人匹配模块400以及不安全行为识别模块500。
具体的,通过异常数据采集模块设定加速度阈值,当个人防护装备的角加速度大于加速度阈值时,触发异常,开始实时采集此次触发异常的异常数据,直至下次触发异常为止;异常数据包括个人防护装备的阻值、触发异常时段的音频频谱;通过异常数据处理模块在每次触发异常时,计算所有阻值中的最大值和最小值的比值作为阻值比例;获取音频频谱中的最高幅值;计算所有角加速度中的最大值和最小值的比值作为角速度比例;通过异常序列获取模块多次触发异常时,由每相邻两次触发异常对应的阻值比例的差异组成第一序列、最高幅值的差异组成第二序列、角速度比例的差异组成第三序列;当每次触发异常时,根据到当次触发为止的最新N次触发异常的阻值比例和角速度比例获取风险发展因子;多次触发异常的风险发展因子组成第四序列;N为正整数;通过工人匹配模块根据个人防护装备的四个序列获取两个个人防护装备之间的触发距离;基于两个工人佩戴的所有种类的个人防护装备对应的触发距离获取整体距离,依据每两个工人之间的整体距离对所有工人进行匹配。通过不安全行为识别模块以相互匹配的两个工人对应的最新的风险发展因子中的最大值作为这两个工人的不安全行为指数;当工人触发异常时,若对应的不安全行为指数大于预设阈值,识别为不安全行为。本发明实施例能够及时识别工人工作过程中个人防护装备的规范佩戴情况,保证工人的安全。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (7)
1.基于5G和人工智能的不安全行为识别系统,其特征在于,该系统包括以下模块:
异常数据采集模块,用于设定加速度阈值,当个人防护装备的角加速度大于所述加速度阈值时,触发异常,开始实时采集此次触发异常的异常数据,直至下次触发异常为止;所述异常数据包括个人防护装备的阻值、触发异常时段的音频频谱以及角速度;
异常数据处理模块,用于在每次触发异常时,计算所有阻值中的最大值和最小值的比值作为阻值比例;获取音频频谱中的最高幅值;计算所有角速度中的最大值和最小值的比值作为角速度比例;
异常序列获取模块,用于多次触发异常时,由每相邻两次触发异常对应的阻值比例的差异组成第一序列、最高幅值的差异组成第二序列、角速度比例的差异组成第三序列;当每次触发异常时,根据到当次触发为止的最新N次触发异常的阻值比例和角速度比例获取风险发展因子;多次触发异常的风险发展因子组成第四序列;N为正整数;
工人匹配模块,用于根据个人防护装备的四个序列获取两个个人防护装备之间的触发距离;基于两个工人佩戴的所有种类的个人防护装备对应的触发距离获取整体距离,依据每两个工人之间的整体距离对所有工人进行匹配;
不安全行为识别模块,用于以相互匹配的两个工人对应的最新的风险发展因子中的最大值作为这两个工人的不安全行为指数;当工人触发异常时,若对应的不安全行为指数大于预设阈值,识别为不安全行为;
所述异常序列获取模块还包括:
风险发展因子获取单元,用于获取到当次触发为止的最新N次触发异常的阻值比例中的最大阻值比例,以及到当次触发为止的最新N次触发异常的角速度比例中的最大角速度比例;计算最大阻值比例与当前阻值比例的差值绝对值作为第一差值,计算最大角速度比例与当前角速度比例的差值绝对值作为第二差值,以第一差值、第二差值以及1的和的倒数作为指数函数的指数,以预设的容错系数作为指数函数的底数,得到指数函数结果作为所述风险发展因子。
2.根据权利要求1所述的基于5G和人工智能的不安全行为识别系统,其特征在于,所述异常序列获取模块中的所述阻值比例的差异、所述最高幅值的差异以及角速度比例的差异均为对应的差值的绝对值。
3.根据权利要求1所述的基于5G和人工智能的不安全行为识别系统,其特征在于,所述工人匹配模块包括:
触发距离获取单元,用于对于两个不同的个人防护装备,获取每两个对应序列之间的明氏距离,以四个明氏距离的和作为两个个人防护装备之间的触发距离。
4.根据权利要求1所述的基于5G和人工智能的不安全行为识别系统,其特征在于,所述工人匹配模块还包括:
整体距离获取单元,用于获取两个工人的同种个人防护装备之间的触发距离,以两个工人佩戴的所有种类的个人防护装备对应的触发距离的平均值作为整体距离。
5.根据权利要求1所述的基于5G和人工智能的不安全行为识别系统,其特征在于,所述工人匹配模块还包括:
匹配单元,用于基于所述整体距离利用KM匹配算法将所有工人进行匹配。
6.根据权利要求1所述的基于5G和人工智能的不安全行为识别系统,其特征在于,所述不安全行为识别模块包括:
识别网络构建单元,用于由每个工人的所有个人穿戴设备的最新阻值比例和最新角速度比例组成对应的全身行为描述子,基于多个全身行为描述子和对应的不安全行为指数构建识别网络。
7.根据权利要求6 所述的基于5G和人工智能的不安全行为识别系统,其特征在于,所述不安全行为识别模块还包括:
不安全行为指数获取单元,用于当工人触发异常时,利用所述识别网络基于对应的全身行为描述子识别出对应的不安全行为指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211439690.1A CN115496169B (zh) | 2022-11-17 | 2022-11-17 | 基于5g和人工智能的不安全行为识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211439690.1A CN115496169B (zh) | 2022-11-17 | 2022-11-17 | 基于5g和人工智能的不安全行为识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115496169A CN115496169A (zh) | 2022-12-20 |
CN115496169B true CN115496169B (zh) | 2023-04-07 |
Family
ID=85116056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211439690.1A Active CN115496169B (zh) | 2022-11-17 | 2022-11-17 | 基于5g和人工智能的不安全行为识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496169B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114081480A (zh) * | 2022-01-24 | 2022-02-25 | 济宁蜗牛软件科技有限公司 | 基于智能穿戴设备的儿童行为异常识别方法及系统 |
CN114928462A (zh) * | 2022-03-09 | 2022-08-19 | 联通沃音乐文化有限公司 | 一种基于用户行为识别的Web安全防护方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10083614B2 (en) * | 2015-10-22 | 2018-09-25 | Drone Traffic, Llc | Drone alerting and reporting system |
CN108860162B (zh) * | 2018-07-18 | 2022-02-15 | 平安科技(深圳)有限公司 | 电子装置、基于用户驾驶行为的安全预警方法及存储介质 |
CN115239711B (zh) * | 2022-09-21 | 2023-04-07 | 苏州琼派瑞特科技股份有限公司 | 一种缝制设备的在线运行异常识别系统 |
-
2022
- 2022-11-17 CN CN202211439690.1A patent/CN115496169B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114081480A (zh) * | 2022-01-24 | 2022-02-25 | 济宁蜗牛软件科技有限公司 | 基于智能穿戴设备的儿童行为异常识别方法及系统 |
CN114928462A (zh) * | 2022-03-09 | 2022-08-19 | 联通沃音乐文化有限公司 | 一种基于用户行为识别的Web安全防护方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115496169A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107462258B (zh) | 一种基于手机三轴加速度传感器的计步方法 | |
US9638711B2 (en) | Method and system for discerning a false positive in a fall detection signal | |
CN110287825B (zh) | 一种基于关键骨骼点轨迹分析的摔倒动作检测方法 | |
CN117407827B (zh) | 一种净化工程废气净化设备异常运行数据检测方法 | |
CN108109336A (zh) | 一种基于加速度传感器的人体跌倒识别方法 | |
CN111046749A (zh) | 一种基于深度数据的人体跌倒行为检测方法 | |
Putra et al. | Window-size impact on detection rate of wearable-sensor-based fall detection using supervised machine learning | |
CN108021888A (zh) | 一种跌倒检测方法 | |
CN107169512A (zh) | Hmm‑svm跌倒模型的构建方法及基于该模型的跌倒检测方法 | |
CN115496169B (zh) | 基于5g和人工智能的不安全行为识别系统 | |
CN110841143B (zh) | 一种用于预测输液管路状态的方法及系统 | |
Cai et al. | Construction worker ergonomic assessment via LSTM-based multi-task learning framework | |
Suriani et al. | Sudden fall classification using motion features | |
Habaebi et al. | Wearable Smart Phone Sensor Fall Detection System. | |
Dong et al. | Multi-sensor data fusion using the influence model | |
CN108648417A (zh) | 基于深度学习的树莓派老人摔倒检测系统 | |
CN115393956A (zh) | 改进注意力机制的CNN-BiLSTM跌倒检测方法 | |
CN104021295A (zh) | 用于运动识别的聚类特征融合方法和装置 | |
Xu et al. | Research of HMM-based fall detection system for elderly | |
CN112487924A (zh) | 基于深度学习从视频中判别人体意外摔倒的方法及装置 | |
CN114973048A (zh) | 康复动作的纠正方法、装置、电子设备及可读介质 | |
CN105879301A (zh) | 一种面向智能哑铃的上肢运动识别方法 | |
Lee et al. | Detecting hook attachments of a safety harness using inertial measurement unit sensors | |
Rashed-Al-Mahfuz et al. | SVM model for feature selection to increase accuracy and reduce false positive rate in falls detection | |
Li et al. | Recognition of Multiple Human Body Postures Based on Six-axis Sensor |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |